PLS-PM被認為是分析數據最合適的分析科技，因為本研究的重點是瞭解結

PLS-PM被認為是分析數據最合適的分析科技，因為本研究的重點是瞭解結構之間的預測關係，而不是理論構象或測試（Chin&Newsted，1999；Sarstedt，Ringle，&Hair，2014）。與基於協方差的結構方程建模（CB-SEM）相比，PLS-PM是一種軟建模方法，它不需要大樣本，也不基於數據常态分配的假設（Arnett，Laverie，&Meiers，2003）。PLS-PM在旅遊文獻中得到了更多的認可（Ahrholdt、Gudergan和Ringle，2017；Kim、Lee、Petrick和Hahn，2018）。考慮到本研究需要對影響用戶使用Uber移動應用的因素進行檢驗，囙此預測關係是本研究的重點，而不是理論檢驗，PLS-PM被認為更適合於分析。分析遵循兩個階段的過程，包括外部模型和內部模型的單獨評估（Hair、Hult、Ringle和Sarstedt，2016）。

結果 (繁體中文) 3:

PLS-PM被認為是分析數據最合適的分析科技，因為本研究的重點是瞭解結構之間的預測關係，而不是理論構象或測試（Chin&Newsted，1999；Sarstedt，Ringle，&Hair，2014）。與基於協方差的結構方程建模（CB-SEM）相比，PLS-PM是一種軟建模方法，它不需要大樣本，也不基於數據常態分配的假設（Arnett，Laverie，&Meiers，2003）。PLS-PM在旅遊文獻中得到了更多的認可（Ahrholdt、Gudergan和Ringle，2017；Kim、Lee、Petrick和Hahn，2018）。考慮到本研究需要對影響用戶使用Uber移動應用的因素進行檢驗，囙此預測關係是本研究的重點，而不是理論檢驗，PLS-PM被認為更適合於分析。分析遵循兩個階段的過程，包括外部模型和內部模型的單獨評估（Hair、Hult、Ringle和Sarstedt，2016）。